Kao dobavljač TSP -a (Trisodium fosfat), bio sam svjedok razvijajućeg krajolika industrije i sve veće potražnje za učinkovitim rješenjima. Problem s putovanjima (TSP), iako naizgled nepovezao na prvi pogled, dijeli zajedničku osnovu s našim poslovanjem u smislu optimizacije i učinkovitosti. U ovom ću blogu istražiti kako se strojno učenje može koristiti za rješavanje TSP -a i kako se ti koncepti mogu primijeniti na naše poslovanje s opskrbom TSP -a.
Razumijevanje problema prodavača koji putuje
Problem putovanja prodavača je dobro poznat problem kombinatoričke optimizacije. Cilj je pronaći najkraću moguću rutu koju prodavač može poduzeti kako bi posjetio skup gradova točno jednom i vratio se na početnu točku. Matematički, s obzirom na skup (n) gradova i udaljenosti između svakog para gradova, problem je pronaći permutaciju (n) gradova koji minimiziraju ukupnu propuštenu udaljenost.
Složenost TSP -a eksponencijalno raste s brojem gradova. Za (n) gradove postoje ((n - 1)!/2) moguće rute. Kako se (n) povećava, broj mogućih rješenja postaje astronomski. Na primjer, za 10 gradova postoji 181440 mogućih ruta, a za 20 gradova postoji otprilike (6 \ puta10^{16}) mogućih ruta. Zbog toga je izuzetno teško pronaći optimalno rješenje pomoću grubih metoda sile.
Tradicionalni pristupi rješavanju TSP -a
Prije pojave strojnog učenja, za rješavanje TSP -a korišteno je nekoliko tradicionalnih metoda:
- Brute - pretraživanje sile: Kao što je ranije spomenuto, ova metoda uključuje provjeru svake moguće rute i odabir one s najkraćom udaljenosti. Iako jamči optimalno rješenje, računalno je neizvedivo za veliki broj gradova.
- Heuristički algoritmi: To su algoritmi koji brzo pronalaze dobra rješenja, ali ne jamče optimalno rješenje. Primjeri uključuju najbliži algoritam susjeda, gdje prodavač uvijek posjećuje najbliži neviđeni grad i 2 - OPT algoritam, koji iterativno poboljšava zadanu rutu izmjenom parova rubova.
- Dinamično programiranje: Ovaj pristup prekida problem na manje pod -probleme i rješava ih rekurzivno. Međutim, također ima krajnju složenost i ograničen je na relativno male veličine problema.
Pristupi strojnom učenju rješavanju TSP -a
Strojno učenje nudi nove i moćne načine rješavanja TSP -a. Evo nekih od najčešćih korištenih tehnika strojnog učenja:
Neuronske mreže
Neuralne mreže, posebno ponavljajuće neuronske mreže (RNN) i njihove varijante poput dugih kratkih memorijskih mreža (LSTMS), korištene su za rješavanje TSP -a. Osnovna ideja je osposobiti neuronsku mrežu za predviđanje optimalnog ruta s obzirom na unos koordinata gradova.
Jedan pristup je korištenje modela niza - do - sekvence. Ulazni slijed je popis gradova, a izlazni slijed je optimalan redoslijed koji posjećuje gradove. Neuralna mreža obučena je na velikom broju slučajeva TSP -a, a tijekom treninga uči mapirati ulazne gradove na optimalnu rutu.
Drugi je pristup korištenje grafičke neuronske mreže (GNN). Budući da se TSP može predstaviti kao graf, gdje su gradovi čvorovi, a udaljenosti između njih su rubovi, GNN se mogu koristiti za učenje strukture grafikona i pronalaženje optimalnog puta. GNN su posebno učinkoviti jer mogu uhvatiti odnose između različitih gradova na grafikonu.
Učenje pojačanja
Učenje pojačanja je vrsta strojnog učenja gdje agent uči donositi niz odluka kako bi maksimizirao kumulativnu nagradu. U kontekstu TSP -a, agent je prodavač, odluke su naredba u kojem će posjetiti gradove, a nagrada je negativan na ukupnom pređenom udaljenosti (tako da je cilj maksimizirati nagradu, što znači minimiziranje udaljenosti).
Agent započinje s slučajnom politikom i komunicira s okolinom (instanca TSP -a). U svakom koraku odabire radnju (posjeti grad), a na temelju rezultirajućeg stanja (novog skupa neviđenih gradova i trenutnog položaja), prima nagradu. Agent tada ažurira svoju politiku koristeći algoritme kao što su Q - učenje ili gradijenti politike kako bi poboljšali svoje performanse tijekom vremena.
Primjena strojnog učenja na poslovanje s TSP -om za opskrbu
Kao dobavljač TSP -a, možemo izvući nekoliko paralela između TSP -a i našeg poslovanja. Na primjer, kada isporučujemo TSP proizvode više kupaca, suočavamo se s sličnim problemom optimizacije pronalaska najučinkovitije rute isporuke.
Korištenjem tehnika strojnog učenja za rješavanje TSP -a možemo optimizirati naše rute za isporuku, smanjiti troškove prijevoza i poboljšati zadovoljstvo kupaca. Možemo osposobiti model strojnog učenja o povijesnim podacima isporuke, uključujući lokacije kupaca, prometne uvjete i vrijeme isporuke. Model tada može predvidjeti optimalnu rutu isporuke za određeni skup kupaca.
Osim toga, strojno učenje može se koristiti i za optimizaciju našeg upravljanja zalihama. Prediktivnu analitiku možemo koristiti za predviđanje potražnje za TSP proizvodima na različitim mjestima i u skladu s tim prilagoditi razinu zaliha. To nam može pomoći da smanjimo troškove zaliha i osiguramo da imamo dovoljno zaliha da zadovoljimo potražnju kupaca.
Naši TSP proizvodi
U našoj tvrtki nudimo širok spektar visokokvalitetnih TSP proizvoda. Na primjer, imamoMaslac u prahu sapp dugoročno skladištenje Velika vrijednost, što je idealno za dugoročno skladištenje i ima izvrsna svojstva zadržavanja vode. Također pružamoNajbolja cijena TSP Trisodium fosfat bezvodni 97% Food Stupanj 7601 - 54 - 9, koji je proizvod za hranu s visokom razinom čistoće. I našNatrijeva kiselina pirofosfat cas br.7758 - 16 - 9 SAPP FOOD SAPP NA2H2P2O7popularan je izbor za razne aplikacije za hranu.
Zaključak
Strojno učenje pruža moćne alate za rješavanje problema prodavača koji putuje, koji ima dostizanje posljedica na naše poslovanje s TSP -om. Koristeći ove tehnike, možemo optimizirati naše rute za isporuku, poboljšati upravljanje zalihama i na kraju poboljšati našu ukupnu poslovnu učinkovitost.
Ako vas zanimaju naši TSP proizvodi ili želite razgovarati o tome kako možemo optimizirati vaše operacije povezane s TSP -om, slobodno nas kontaktirajte za nabavu i daljnje rasprave.
Reference
- Applegate, DL, Bixby, RE, CHVátal, V., & Cook, WJ (2006). Problem prodavača putovanja: Računalna studija. Princeton University Press.
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Duboko učenje. MIT Press.
- Sutton, RS, & Barto, AG (2018). Učenje pojačanja: Uvod. MIT Press.